一、代码好坏的评判标准 -【生死判官】

作为一个后端Boy,无论是Java Boy、Python Boy或C Boy,都希望能写出优雅的代码。那么,什么是优雅的代码,或者好的代码,是我们必须要了解的。只有了解了好代码有哪些评价指标,才能不断的写出好的代码。下面我将从新手接替一个项目开始,阐述好代码的主要评判指标。

一、可读性 Readability
一般来说, 代码被阅读的次数远远超于被编写和执行的次数。代码如果基本 符合编码规范、命名清晰、注释详尽、函数的长短合适、模块划分清晰、高内聚低耦合等,基本上代码的可读性会大大提高。最直观的体现就是其他人Review Code时,能轻松读懂你的代码,就说明代码的可读性很好;
二、可维护性 Maintainability
一般指的是在 不破坏原代码设计的前提下,快速修改bug或增加代码,不会带来新bug,表明该代码的维护性比较好;
三、可扩展性 Extensibility
指代码面对 未来新需求的变化能力。一般来说,开发新需求的时候, 不修改原代码或很少修改,通过扩展的方式添加代码,即可达到需求开发的能力,通常会 预留一些功能扩展点
四、可复用性 Reusability
尽量避免重复造轮子,即能够沉淀出一些通用的代码逻辑,保持与上层业务代码的解耦。类似于 多态、单一职责和高内聚低耦合都是强调可复用性
五、灵活性 Flexibility

这个词比较宽泛。通常与可维护性、可扩展性以及可复用性类似,可维护性好,可扩展性高以及可复用性高也就意味着代码的灵活性高。

六、简洁性 simplicity
经典的设计原则: KISS原则 keep it simple, stupid

⚠️:思从深而行从简,真正的高手能风淡云轻的用最简单的方法解决最复杂的问题

七、可测试性

主要反映在写单测的时候。从两个方面体现:

  1. 单元测试是否容易编写;
  2. 写单元测试的时候,不能依赖环境,远程调用其他服务的借口,尽可能进行mock数据,保持服务之间的解耦。
    这几个维度是评判代码维度比较重要的几个指标。
  • 1
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评判一个机器学习模型好坏标准和各项指标有很多,以下是一些常见的指标: 1. 准确率(Accuracy):分类正确的样本数占总样本数的比例,适用于二分类和多分类问题。 2. 精确率(Precision):预测为正例的样本中,实际为正例的样本数占所有预测为正例的样本数的比例,适用于需要准确预测正例的问题。 3. 召回率(Recall):实际为正例的样本中,被预测为正例的样本数占所有实际为正例的样本数的比例,适用于需要尽可能找出所有正例的问题。 4. F1-score:综合考虑了精确率和召回率,是精确率和召回率的调和平均数。 5. ROC曲线:以假正例率(false positive rate,FPR)为横坐标,真正例率(true positive rate,TPR)为纵坐标,绘制出的曲线。曲线下面积AUC(Area Under Curve)越大,模型性能越好。 6. 混淆矩阵(Confusion Matrix):将实际结果和预测结果进行分类统计的矩阵。可以通过混淆矩阵计算出准确率、精确率、召回率等指标。 7. 均方误差(Mean Squared Error,MSE):回归问题中,预测值与实际值之间差的平方和的均值。 8. 均方根误差(Root Mean Squared Error,RMSE):回归问题中,均方误差的平方根。 9. 平均绝对误差(Mean Absolute Error,MAE):回归问题中,预测值与实际值之间差的绝对值的均值。 10. R^2(决定系数):回归问题中,模型的可决系数,表示模型对数据的拟合程度。R^2越接近1,模型的拟合程度越好。 不同的问题和场景需要使用不同的指标来评估模型的好坏。需要根据具体的需求和情况来选择合适的评估指标。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

桃花猿

客官,赏点打酒钱

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值